人工智能不仅在于知识表示，还体现在对知识的依赖上，即对于知识的利用，利用已有的知识进行分析、判断和预测。从逻辑的角度来看，对知识的利用就是推理，就是逻辑演绎。因此，推理不仅是逻辑系统的重要组成部分，也是人工智能领域的核心课题之一。 在自动推理理论与应用的研究中，命题逻辑系统中的方法和内容具有广泛的适用性。命题逻辑系统中的归结原理本质上存在组合问题，因此，如何避免组合问题(通常以计算复杂性的形式出现)是自动推理研究中的一个重要课题。在处理组合问题上，神经网络是现有的、有效的智能技术之一。尽管神经网络寻找到的解是一个满意解，但这不影响我们考虑将神经网络技术应用于自动推理理论与方法中。本文在对命题逻辑系统的模型推理和归结原理研究的基础上，尝试利用神经网络部分实现自动推理。主要工作包括如下几个方面： 1．评价值命题逻辑系统 在经典命题逻辑系统中引入了一个函数μ：F(S)→[0，1]，其中，F(S)是经典命题逻辑系统的公式集。函数μ称为F(S)的评价函数。称(F(S)，μ)为一个评价值命题逻辑系统。与经典命题逻辑系统相比较，研究了评价值命题逻辑系统中的模型论性质。研究结果表明，评价值命题逻辑系统是经典命题逻辑系统的一种简单的推广。同时，在已有关于Horn近似的快速推理研究的基础上，对如何尽快寻找模型集中的极小模型进行更深入的研究，得出若干结论。并研究了一类扩展神经元的逻辑功能，指明可以用扩展多层感知器模型实现命题逻辑系统中的语义推演。 2．命题逻辑系统的数字化 神经网络的处理对象是数据，而命题逻辑系统的处理对象是命题公式集。为使两者的处理对象相一致，提出了命题逻辑系统的数字化，即寻找与命题逻辑系统户完全同构的一个数字系统(?)，同构保证P中的命题演绎一一对应于N中的一个“数字演绎”，同时，为了使用方便，应该使数字系统(?)的表示过程尽可能简单。本文给出了一个形式化的表示过程，在此基础上，讨论了数字第＊页 西南交通大学博士研究生学位论文系统万中的若干性质，研究结果表明万与尸具有相同的推理能力。＼3．数字系统万中的归结原理 由于数字系统厂中的原子命题带有自然数序关系，使厂中的公式又有了一些“特殊性”，且这种“特殊性”只体现在公式内部，两个公式之间没有这种“特殊性”。返口到P中来看，这种“特殊性”实质上是对P中于句或者合取式中的原子命题的一种重新排列。由于这种“特殊性”的存在，使得页中的归结原理形式上简单、明了，并且归结过程可以用数与数之间的运算体现。进一步，在万中提出了基于矩阵运算的归结原理。4．基于神经网络的归结原理实现 在数字系统N中，归结过程会产生大量的计算，自然地，我们会想到利用神经网络学习和并行计算的优点解决这一问题。本文将所讨论的子句集限制在Horn子句集上，给出了Horn子句集转化为一个神经网络模型的方法，进 J一步，对如何构造该神经网络的学习算法来体现归结过程进行了讨论，并证明了此学习算法用于归结原理的可靠性和完备性。